3、机器学习入门：原理、实践与应用

机器学习入门：原理、实践与应用

1. 抽象化

在数据处理中，抽象化是为存储的数据赋予意义的过程，在这个过程中，原始数据会具有更抽象的含义。以 René Magritte 的著名画作《图像的背叛》为例，画中描绘了一个烟斗，旁边写着“这不是一个烟斗”。Magritte 想表达的是，烟斗的图像并非真正的烟斗，但观者仍能轻易将其识别为烟斗，这表明观者的大脑能将烟斗的图像与烟斗的概念、手持烟斗的记忆联系起来。这种抽象的联系是知识表示的基础，有助于将原始感官信息转化为有意义的见解。

在机器进行知识表示时，计算机会使用模型对存储的原始数据进行总结，模型是对数据中模式的明确描述。就像 Magritte 画中的烟斗一样，模型表示超越了原始数据，代表着一个大于各部分之和的概念。

常见的模型类型包括：
- 数学方程
- 关系图（如树和图）
- 逻辑 if/else 规则
- 数据分组（即聚类）

模型的选择通常不由机器决定，而是根据学习任务和手头的数据来进行。

将模型拟合到数据集的过程称为训练。训练完成后，数据会转化为一种抽象形式，总结原始信息。之所以称之为“训练”而非“学习”，一是因为学习过程不止于数据抽象，学习者还需进行泛化和评估；二是“训练”更能体现人类教师引导机器学生以特定方式理解数据的过程。

需要注意的是，学习到的模型本身并不提供新数据，但能产生新知识。例如，牛顿通过将方程拟合到观测数据，推断出了万有引力的概念，而引力这一力量一直存在，只是在牛顿将其识别为一个抽象概念之前未被认识到。大多数模型可能不会像万有引力定律那样引发科学思想的变革，但可能会发现数据中以前未被发现的关系，如在基因组数据中发现导致糖尿